UNIVERSIDAD DE SANTIAGO DE CHILE FACULTAD DE CIENCIA DEPARTAMENTO MATEMTICA Y CIENCIA DE LA COMPUTACIN REA DE ESTADSTICA

RESUMEN PEP 1 PROBABILIDADES Y ESTADSTICA Ayudante: Rubn Alarcn H. MEDIDAS DE TENDENCIA CENTRAL

Media Aritmtica:
x= x=

x x
n

, Datos no tabulados
'

, Datos tabulados

Mediana N impar de datos = Valor central de los datos N par de datos = promedio de los valores centrales Moda Es el valor de la variable o marca de clase de mayor frecuencia Tipos de distribuciones

PERCENTIL

El Percentil P ( PP ) es un valor tal que supera a no ms del p% de las observaciones, es decir, estn por debajo de l y es superado por el (100-p)% de las observaciones.

P =X
P

' J 1

pn 100 N +c n
J J

J 1

N >
J

pn 100

XJ-1 = Cota inferior del intervalo cJ = Amplitud intervalo n = Tamao poblacin o muestra NJ-1 = Frecuencia absoluta acumulada intervalo anterior nj = frecuencia absoluta intervalo que estoy trabajando MEDIDAS DE DISPERSIN

Rango o amplitud: Xmx X mn Amplitud intercuartlica: Q3 - Q1 = P75 P25 Varianza: V(x)

( x ) = Varianza poblacional (letra sigma) s ( x) = Varianza muestral

2
2

(x x) = x s ( x) =
2 2 i

2 i

n( x )

n 1

n 1

Para datos no tabulados

(x x) s ( x) =
2

n 1
i

Para datos tabulados

(x x) ( x) =
i

( x) =
2

n (x x) n
2

Para datos no tabulados

( x x ) f
2 i

Para datos tabulados

Desviacin estndar

( x) =
s ( x) =

( x ) = Desviacin estndar poblacional (letra sigma)

2

s ( x ) = Desviacin estndar muestral

2

La varianza y la desviacin estndar se utilizan para comparar la dispersin de 2 o ms distribuciones siempre que: 1. La unidad de medicin sea la misma 2. Las medias aritmticas sean iguales Si lo anterior no se cumple, se utiliza una medida relativa de dispersin, llamada COEFICIENTE DE VARIACIN.

desv. estndar media ( x) CV ( x) = (poblacin) s ( x) (muestra) CV ( x) = x CV =

x

Si CV(x) > CV(y) mayor dispersin en la distribucin de la variable x la distribucin de la variable y es ms homognea que la de x Porcentaje de Variabilidad = CV por 100 PROPIEDADES APLICADAS EN FUNCIONES LINEALES

Si y = ax + b, se cumple que:

y = ax +b Me( y ) = a Me( x) + b Mo( y ) = a Mo( x) + b V ( y ) = a V ( x) ( y ) = a ( x)

2

COVARIANZA DE (X,Y): COV[X,Y]

Def: Sean (x,y) dos variables de intervalo o de razn, entonces: Para poblacin, datos no tabulados

cov[ x, y] =

( x x )( y y ) = x y n x y = xy x y
i i i i

Para poblacin, datos tabulados

cov[ x, y] =

( x x )( y
i =1 j =1 i

y) =

x y n x y
i =1 i i

n
i i

n
n n 1

= xy x y

Para muestra, datos no tabulados

cov[ x, y] =

( x x )( y y ) = [ xy x y ]
n 1

Para muestra, datos tabulados

cov[ x, y] =

( x x )( y
i =1 j =1 i

y) =

x y nx y
i =1 i i

Uso de la cov[x,y]

n 1

n1

= [ xy x y ]

n n 1

Cuando existe asociacin lineal entre x e y, la covarianza nos indica el sentido de dicha asociacin (directa - inversa). Si cov[x,y] > 0 Si asociacin lineal, sta es directa. Si cov[x,y] < 0 Si asociacin lineal, sta es inversa. Si cov[x,y] = 0 las variables no estn correlacionadas linealmente Propiedades cov[ x, y ] =

( x x )( y y ) = xy x y
i i

1)

cov[ x, x] = V [ x ] cov[ y, y ] = V [ y ]

2)

cov[ax + b; cy + d ] = cov[ ax, cy ] = ac cov[ x, y ] a, b, c, d

Ej: cov[2 x 1;3 y + 2] = cov[2 x,3 y ] = 6 cov[ x, y ] 3) cov[cx + dy ] = cov[ ax, cx] + cov[by, dy ] + cov[ ax, dy ] + cov[by, cx] = ac V ( x ) + bd V ( y ) + ad cov[ x, y ] + bc cov[ x, y ] Ej: cov[2 x + 3 y; 4 x + 5 y ] = 8 V ( x) + 15 V ( y ) + 22 cov[ x, y ] V [ x + y ] = cov[ x y; x + y ] = V ( x ) + V ( y ) + 2 cov[ x, y ] V [ x y ] = cov[ x y; x y ] = V ( x) + V ( y ) 2 cov[ x, y ] Propiedad muy importante, casi siempre entra en las pruebas!!! 4) COEFICIENTE DE CORRELACIN LINEAL DE PEARSON ENTRE X e Y

Def: Sean (x,y) dos variables de razn,

( x, y ) =
r( x , y ) =

cov[ x, y ] x y

1 ( x , y ) 1
1 r( x, y ) 1

(poblacional)

cov[ x, y ] sx s y

(muestral)

Uso del Coef. de Pearson Se utiliza para conocer el grado de asociacin lineal entre (x,y) y la direccin sentido. Si ( x , y ) = 1 asociacin lineal directa y perfecta Si ( x , y ) = 1 asociacin lineal inverso y perfecta Si ( x , y ) = 0 asociacin lineal, pero puede existir de otro tipo PROBABILIDADES

1) P ( A U B) = P ( A) + P ( B ) P( A I B ) 2) P ( A U B U C ) = P ( A) + P( B ) + P (C ) P ( A I B ) P ( A I C ) P ( B I C ) + P ( A I B I C ) 3) Probabilidad condicional: P ( A B ) = P( A I B) P( B)

4) Teorema de la Multiplicacin (Regla del Producto): A A A P ( A1 I A2 I ... I An ) = P ( A1 ) P ( 2 ) P ( 3 )....P ( n ) A1 A1 I A2 A1 I A2 I ... I An 1

5) Teorema de la Probabilidad Total: P ( B ) = P ( B I Ai ) = P ( B A ) P ( Ai )

i

A 6) Teorema de Bayes: P ( B ) =

P ( B ) P ( A) A = P( B)

P ( B ) P ( A) A P( B Ai ) P( Ai )

7) P ( A I B C ) = P ( A) P ( A I B) 8) P ( AC ) = 1 P ( A) P(AC/B) = 1 P(A/B) 9) Teorema de Morgan: P ( A I B)C = P ( AC U BC ) P ( A U B)C = P ( AC I BC )

10) P ( A I B) = P ( A) P ( B ) Restriccin: s y slo s A y B son independientes 11) P ( A U B ) = P ( A) + P ( B ) Restriccin: s y slo s A y B son mutuamente excluyentes ( A I B = ) MODELOS VARIABLES ALEATORIAS DISCRETAS

1) BERNOULLI: X = N de xitos que ocurren cuando el experimento aleatorio se realiza una vez 2) BINOMIAL X = N de xitos que ocurren cuando el experimento aleatorio se repite n veces, en forma independiente 3) GEOMTRICO: X = N de xitos que ocurren cuando el experimento aleatorio se realiza una vez 4) HIPERGEOMTRICO: X = N de xitos en la muestra de tamao N, elegida sin reposicin Np = N de elementos que tienen la caractersticas en estudio Nq = N de elementos que no tienen la caractersticas en estudio Np + Nq = N 5) POISSON:

X = N de xitos o de ocurrencias en un intervalo de tiempo, espacio o lugar 6) PASCAL O BINOMIAL INVERSA X = N de experimentos, independientes entre s, realizados hasta la obtencin del r-simo xito